/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Опубликована
5 янв 2024

Mistral-7B-v0.2-meditron-turkish

Генерация текстаТекст → текст3 профессии

Дообученная Mistral-7B модель для генерации ответов на медицинские вопросы на турецком и английском языках.

120скачиваний за 30 дней9лайковвеса обновлены4 мар 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Mistral-7B-v0.2-meditron-turkish — дообученная Мохамадом Альхаджаром языковая модель на основе Mistral-7B-Instruct-v0.2. Она использует архитектуру Mistral с 7,1 млрд параметров и рассчитана на генерацию ответов на вопросы по медицине на турецком и английском языках. Модель обучена методом SFT на турецком медицинском наборе данных с применением техники Freeze и поддерживает диалоговый сценарий; контекст — до 32 768 токенов.

Модель предназначена для получения информационных ответов на медицинские вопросы и идей на турецком и английском. Она распространяется по лицензии Apache-2.0. Карточка не приводит оценки медицинской точности или клинической пригодности, поэтому ответы требуют проверки специалистом и не должны заменять профессиональную медицинскую консультацию.

Сценарии применения

  • ответы на медицинские вопросы на турецком языке
  • ответы на медицинские вопросы на английском языке
  • диалоговый поиск общей медицинской информации
  • черновые ответы для медицинского информационного чат-бота

Ограничения

Карточка не приводит оценок медицинской точности или клинической пригодности; ответы следует проверять и не использовать вместо консультации специалиста. Модель обучена на медицинском датасете, но это само по себе не подтверждает надёжность её рекомендаций.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Model ID

Mistral-7B-v0.2-meditron-turkish is a finetuned Mistral Model version using Freeze technique on Turkish Meditron dataset of malhajar/meditron-7b-tr using SFT Training. This model can answer information about different excplicit ideas in medicine in Turkish and English

Model Description

Prompt Template For Turkish Generation

### Kullancı:

Prompt Template For English Generation

### User:

How to Get Started with the Model

Use the code sample provided in the original post to interact with the model.

from transformers import AutoTokenizer,AutoModelForCausalLM
 
model_id = "malhajar/Mistral-7B-v0.2-meditron-turkish"
model = AutoModelForCausalLM.from_pretrained(model_name_or_path,
                                             device_map="auto",
                                             torch_dtype=torch.float16,
                                             revision="main")

tokenizer = AutoTokenizer.from_pretrained(model_id)

question: "Akciğer kanseri nedir?"
# For generating a response
prompt = '''
### Kullancı:
{question} 
'''
input_ids = tokenizer(prompt, return_tensors="pt").input_ids
output = model.generate(inputs=input_ids,max_new_tokens=512,pad_token_id=tokenizer.eos_token_id,top_k=50, do_sample=True,
        top_p=0.95)
response = tokenizer.decode(output[0])

print(response)

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.63.34
AI2 Reasoning Challenge (25-Shot)59.56
HellaSwag (10-Shot)81.79
MMLU (5-Shot)60.35
TruthfulQA (0-shot)66.19
Winogrande (5-shot)76.24
GSM8k (5-shot)35.94

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
97a28b3

0 моделей